Voxtral 3: что нового в речевых моделях Mistral и сколько стоит

Давыдов Константин Юрьевич · Основатель aiglue

Mistral 20 октября 2026 года выпустила Voxtral 3 - семейство речевых моделей: три модели распознавания речи, модель синтеза голоса и API для голосовых агентов (анонс Mistral, документация Mistral). Всё работает через API с первого дня, русский язык есть и в распознавании, и в синтезе.

Что нового в Voxtral 3?

В Voxtral 3 Mistral собрала полный голосовой контур: модель слышит речь, переводит её в текст, передаёт языковой модели и озвучивает ответ. Состав семейства по анонсу (Mistral):

  • Voxtral Small Transcribe 3 - самая точная модель распознавания записей, понимает больше 50 языков. По документации она умеет ещё переводить, отвечать на вопросы по аудио и делать выжимку (документация Mistral).
  • Voxtral Mini Transcribe 3 - облегчённая модель на 4 млрд параметров для тех же задач.
  • Voxtral Mini Transcribe Realtime 3 - потоковое распознавание с задержкой меньше 500 мс и определением момента, когда собеседник закончил фразу.
  • Voxtral Speech 3 (в документации - Voxtral Mini TTS 3.0) - синтез речи в пакетном режиме и в реальном времени.
  • Voice agent API - готовый конвейер голосового агента на базе LiveKit.

Модели распознавания различают говорящих: размечают, кто и когда говорил. Ещё их можно подсказать: передать список терминов, названий или имён, и модель будет узнавать их точнее без дообучения. На тесте Earnings 22 подсказка подняла распознавание ключевых фраз у Small Transcribe 3 с 81,4% до 94,6% (анонс Mistral).

В синтезе речи заявлены клонирование голоса по записям и управление эмоцией, темпом и ударением. Готовые голоса есть для 18 языков и их вариантов, среди них русский (анонс Mistral). Первый звук синтез выдаёт примерно через 90 мс (документация Mistral). С числом языков синтеза у вендора расхождение: в анонсе их больше 35, на странице модели - 9. Перед запуском проекта на русском прослушайте, как модель звучит на ваших текстах.

Голосовой агент принимает звонки по SIP, работает в браузере и приложениях через WebRTC, вызывает функции, ищет в интернете и в ваших данных. Распознавание, языковая модель и голос - отдельные звенья, любое можно заменить, не переписывая агента. По словам Mistral, каждый обмен репликами укладывается в секунду, а если собеседник перебивает, агент замолкает (анонс Mistral).

Чем Voxtral 3 отличается от прошлой версии и конкурентов?

От Voxtral Transcribe 2, вышедшего в феврале, новое поколение отличается числом языков и разметкой говорящих; цена при этом немного выросла. Сравнение по страницам Mistral:

Voxtral Transcribe 2Voxtral 3
Выход4 февраля 2026 (анонс)20 октября 2026, превью (документация)
Языков распознавания13 (анонс)50+ (анонс)
Распознавание записей, $ за минуту0,003 (анонс)0,0035 Mini, 0,004 Small (документация)
Потоковое распознавание, $ за минуту0,006 (анонс)0,008 (документация)
Ошибка разметки говорящих, cpWER30,9% у Mini Transcribe 2 (анонс Voxtral 3)18,6% у Mini, 18,4% у Small (анонс)
Открытые весапотоковая модель под Apache 2.0 (анонс)лицензия не названа (анонс)

С конкурентами Mistral сравнивает себя сама. В тесте разметки говорящих у Gemini 3.5 Transcribe ошибка 38,4%, у Scribe v2 - 23%, у Microsoft AI Transcribe 2 - 20,3% (анонс Mistral). По словам Mistral, Small Transcribe 3 точнее Whisper, Scribe v2 и Gemini 3.5 Transcribe на многоязычном тесте FLEURS, а синтез дешевле, чем у OpenAI, Deepgram, ElevenLabs и Gemini. Это замеры самого вендора; часть оценок синтеза к тому же выставляла языковая модель Gemini.

Сколько стоит Voxtral 3 и доступен ли он из России?

Цены - поминутные, синтез - за знаки (анонс Mistral):

  • распознавание записей - $0,0035 за минуту у Mini и $0,004 у Small;
  • потоковое распознавание - $0,008 за минуту;
  • синтез речи - $13 за миллион знаков (документация Mistral);
  • голосовой агент целиком - $0,04 за минуту с моделью Mistral Small 4 и $0,08 с другими моделями рассуждений.

Для ориентира: тысяча минут записанных звонков через Small Transcribe 3 обойдётся в $4 по цене из документации. Бесплатный план на странице цен описан для чата, а входят ли в него речевые модели, там не сказано. Модели в превью, и сохранятся ли цены после него, Mistral не пишет.

Списка стран, где работает сервис, Mistral не публикует. В условиях для пользователей вне ЕС сказано, что пользователь не должен находиться в стране или регионе под полными санкциями или эмбарго ЕС, США или Сингапура; в перечне названы Куба, Иран, КНДР, Сирия, Крым, Донецкая и Луганская области (условия Mistral). России в перечне нет, но те же условия требуют соблюдать санкционное законодательство и запрещают пользоваться сервисом лицам из санкционных списков. Юрлицу из России перед подключением стоит проверить свой случай с юристом.

Есть и второй путь: развернуть модели у себя. Mistral предлагает установку на свои серверы или в частное облако через отдел продаж (анонс Mistral). Открытых весов Voxtral 3 в анонсе нет. Из прошлого поколения под Apache 2.0 выложена потоковая модель Voxtral Realtime (анонс Mistral).

Как применить Voxtral 3 в бизнесе?

Небольшой компании от Voxtral 3 полезнее всего дешёвое распознавание с разметкой говорящих и голос на русском. Три сценария из нашей работы:

Разбор звонков в отделе продаж и поддержке. Модель переводит записи в текст и отмечает, где говорит менеджер, а где клиент. Дальше языковая модель вытаскивает из стенограммы, что спросили, что обещали и на чём сорвалась сделка. Подсказка терминами помогает с названиями ваших товаров и услуг, которые обычное распознавание путает. Как считать стоимость такого ИИ-сервиса на месяц вперёд, мы разбирали в статье «ИИ-бот в Телеграме: сколько стоит месяц его работы».

Голосовые сообщения в Телеграм-боте. Клиенты часто наговаривают заявку голосом. Бот распознаёт сообщение, раскладывает его по полям заявки и отвечает текстом или голосом. Когда для такого бота хватит конструктора, а когда нужна разработка, мы писали в статье «Чат-бот в Телеграме: почему конструктора хватает не всем».

Голосовой помощник на телефонной линии. Через SIP агент принимает звонки: отвечает на типовые вопросы по вашей базе знаний, записывает на приём, переводит сложный случай на человека. При $0,04 за минуту разговора можно заранее посчитать, во что обойдутся ночные и выходные звонки, которые сейчас уходят в пустоту.

Кому переходить на Voxtral 3 сейчас, а кому подождать?

Попробовать сейчас стоит тем, кто уже распознаёт речь через API и упирается в разметку говорящих или в редкие термины.

Подождать стоит в трёх случаях:

  • вам нужна модель на своём сервере без переговоров с вендором - об открытых весах Voxtral 3 анонс молчит;
  • синтез нужен в продакшене на русском - число языков синтеза в анонсе и документации расходится, а модели в превью;
  • нынешнее распознавание вас устраивает - прошлое поколение дешевле на 14-25% за минуту по ценам из таблицы выше.

Прежде чем менять поставщика, прогоните через Voxtral 3 сотню своих реальных записей с шумом, перебиваниями и вашими терминами, а потом сравните стенограммы.

Источники

С чего начать?

Начните с одного потока, где голос сейчас обрабатывают руками: записи звонков, голосовые заявки, ночные вызовы. Мы поможем выбрать модель распознавания, посчитаем стоимость минуты на ваших объёмах и соберём прототип на ваших записях. Если хотите понять, подойдёт ли Voxtral 3 вашей задаче, напишите нам.